Με πάνω από 20 χρόνια εμπειρίας, μεταμορφώνουμε την ψηφιακή σας παρουσία. Εξειδικευόμαστε στην κατασκευή ιστοσελίδων και E-Shop, το SEO και το Digital Marketing, τα ERP λογισμικά και τους έξυπνους αυτοματισμούς που απογειώνουν την επιχείρησή σας.
Διεύθυνση:
Εγνατία 154, Θεσσαλονίκη 546 36
Τηλέφωνο:
+30 231 231 4095
E-mail:
[email protected]
Έτοιμοι για το επόμενο βήμα;
Γιατί το 100% validity δεν αρκεί στα συνθετικά δεδομένα και πώς constraint margin, resolution ratio και function-symbol grounding ελέγχουν τον ρεαλισμό.
Απάντηση πρώτα: ένα σύνολο συνθετικών δεδομένων δεν είναι αξιόπιστο μόνο επειδή κάθε εγγραφή περνά τους κανόνες εγκυρότητας. Αν ο μηχανισμός διόρθωσης σπρώχνει πολλές τιμές ακριβώς πάνω στο επιτρεπτό όριο, το dataset μπορεί να είναι 100% valid και ταυτόχρονα να έχει χάσει τη σχέση που υπήρχε στα πραγματικά δεδομένα.
Η εργασία για το FSG-LTN-GAN δείχνει πώς το constraint margin, ο resolution ratio και η παραγωγή μέσα σε ένα chart του εφικτού χώρου αποκαλύπτουν αυτό το κενό. Για μια επιχείρηση, το πρακτικό μάθημα είναι σαφές: ελέγξτε όχι μόνο αν τηρείται ο κανόνας, αλλά και αν διατηρείται η κατανομή της απόστασης από το όριό του.
Οι δομημένες εγγραφές ακολουθούν κανόνες. Η ώρα αποβίβασης πρέπει να είναι μεταγενέστερη της επιβίβασης, η διάρκεια μιας διαδρομής θετική και μια λογιστική ταυτότητα ακριβής. Ένα generative model που αγνοεί αυτές τις σχέσεις μπορεί να δημιουργήσει τιμές που φαίνονται πιθανές ανά στήλη αλλά είναι αδύνατες ως σύνολο.
Οι soft constraints προσθέτουν ποινή στο training loss όταν παραβιάζεται ένας κανόνας. Βελτιώνουν τη συμμόρφωση, αλλά δεν την εγγυώνται, επειδή το μοντέλο μπορεί να ανταλλάξει την ποινή με άλλους στόχους εκπαίδευσης. Οι hard constraints ενσωματώνουν τον κανόνα στη διαδικασία παραγωγής, ώστε ένα παράνομο δείγμα να μην μπορεί να εξέλθει από το μοντέλο.
Η εγγύηση όμως δεν αρκεί. Αν ένας constraint layer μετακινεί κάθε μη έγκυρη τιμή στο κοντινότερο επιτρεπτό όριο, πολλές εγγραφές συσσωρεύονται στο ίδιο σημείο. Το σύνολο γίνεται 100% valid, αλλά αποκτά μια τεχνητή μάζα που δεν υπάρχει στα πραγματικά δεδομένα. Το paper των Nijesh Upreti και Vaishak Belle δείχνει ότι οι συνηθισμένες μετρικές ανά χαρακτηριστικό μπορεί να μην εντοπίσουν αυτή την παραμόρφωση.
Το ίδιο ελεγκτικό πρόβλημα εμφανίζεται και εκτός constraints: η ανάλυση για το model collapse από επαναχρησιμοποίηση συνθετικών δεδομένων υπενθυμίζει ότι ένα dataset μπορεί να δείχνει εύλογο τοπικά, ενώ η συνολική πληροφοριακή του δομή φτωχαίνει.
Οι ερευνητές ονομάζουν constraint margin την απόσταση μιας εγγραφής από το όριο του κανόνα. Αν ο κανόνας είναι «η αποβίβαση γίνεται μετά την επιβίβαση», το margin είναι η διάρκεια της διαδρομής. Αν ο κανόνας είναι b>a, το margin είναι b−a. Δεν αρκεί όλες οι διαφορές να είναι θετικές· η κατανομή τους πρέπει επίσης να μοιάζει με την πραγματική.
Η διάκριση έχει άμεση επιχειρησιακή αξία. Σε μια ροή παραγγελιών, η χρονική απόσταση ανάμεσα σε δύο επιτρεπτά γεγονότα επηρεάζει capacity planning και SLA. Σε δεδομένα τιμολόγησης, η διαφορά δύο συνδεδεμένων ποσών μπορεί να αλλάξει margin analysis ή κανόνες ελέγχου. Το paper δεν αξιολόγησε κάθε τέτοια εφαρμογή, αλλά η αρχή μεταφέρεται: η απόσταση από το όριο συχνά μεταφέρει περισσότερη πληροφορία από ένα απλό true/false.
Η μελέτη χρησιμοποιεί την απόσταση Kolmogorov–Smirnov, ή margin KS, για να συγκρίνει την πραγματική και τη συνθετική κατανομή του margin. Μικρότερη τιμή σημαίνει καλύτερη συμφωνία. Η μετρική δεν αντικαθιστά όλους τους υπόλοιπους ελέγχους, αλλά φωτίζει ένα failure mode που οι μέσοι όροι ανά στήλη αφήνουν αόρατο.
Η δεύτερη βασική έννοια είναι ο resolution ratio R. Ορίζεται ως ο λόγος της μεγαλύτερης τυπικής απόκλισης των σχετικών χαρακτηριστικών προς την τυπική απόκλιση του margin, πάνω στα ακατέργαστα δεδομένα και πριν από την εκπαίδευση. Όταν το R είναι μικρό, η διαφορά που ενδιαφέρει είναι ορατή στην ίδια κλίμακα με τα πεδία. Όταν είναι μεγάλο, το μοντέλο πρέπει να μάθει μια πολύ μικρή διαφορά ανάμεσα σε μεγάλες, σχεδόν ίσες ποσότητες.
Στα θερμοχημικά παραδείγματα της εργασίας, μια κρίσιμη ενεργειακή διαφορά μπορεί να είναι πέντε τάξεις μεγέθους μικρότερη από τις ίδιες τις ενεργειακές τιμές. Ο discriminator δυσκολεύεται να διακρίνει το margin, ενώ το predicate που δίνει το σήμα ικανοποίησης έχει χρήσιμο gradient μόνο σε στενή ζώνη. Η θεωρητική ανάλυση περιγράφει το ποσοστό δειγμάτων με χρήσιμο gradient ως τάξης 1/R.
Το R λειτουργεί ως διαγνωστικό conditioning και όχι ως καθολική ετικέτα «καλού» ή «κακού» dataset. Δείχνει αν η επιλεγμένη αναπαράσταση κάνει τον κρίσιμο κανόνα εύκολο ή εξαιρετικά δύσκολο να μαθευτεί. Για μια ομάδα data science, ο σχεδιασμός constraints πρέπει επομένως να ξεκινά και από την κλίμακα των margins, όχι μόνο από μια λίστα επιχειρησιακών κανόνων.
Ο constraint layer υπολογίζει επιτρεπτά διαστήματα μέσω Fourier–Motzkin reduction και μετακινεί κάθε τιμή που βρίσκεται εκτός διαστήματος στο πλησιέστερο όριο. Έτσι μπορεί να εγγυηθεί εγκυρότητα για συζεύξεις γραμμικών ανισοτήτων. Αν όμως ο ελεύθερος generator παραβιάζει συχνά τον κανόνα, πολλές παρατηρήσεις καταλήγουν ακριβώς στο ίδιο boundary.
Soft constraint
Το predicate βαθμολογεί πόσο καλά ικανοποιείται ο κανόνας και προσθέτει ποινή στο loss. Προσφέρει gradient, αλλά δεν εγγυάται ότι κάθε δείγμα θα είναι έγκυρο.
Constraint layer
Διορθώνει τη μη έγκυρη τιμή με clamp στο επιτρεπτό διάστημα. Εγγυάται validity, αλλά μπορεί να δημιουργήσει τεχνητή μάζα πάνω στο όριο.
FSG chart
Παράγει την εξαρτημένη τιμή από συντεταγμένες μέσα στον εφικτό χώρο. Ο κανόνας ισχύει by construction και το margin γίνεται learnable coordinate.
Στα τέσσερα high-resolution datasets της κύριας αξιολόγησης —Alchemy, tmQM, Transition1x και Taxi— τόσο το C-DGM με constraint layer όσο και το FSG-LTN-GAN ήταν 100% έγκυρα. Ωστόσο, το μέσο margin KS ανά dataset του constraint layer κυμάνθηκε από 0,574 έως 1,000, ενώ του FSG-LTN-GAN από 0,040 έως 0,099. Τα αποτελέσματα προέρχονται από δέκα seeds και η paired Wilcoxon σύγκριση ήταν p<0,01.
Σημαντική λεπτομέρεια είναι ότι τα per-property moment errors ήταν συγκρίσιμα και σε tmQM και Transition1x ευνοούσαν το constraint layer. Άρα μια αξιολόγηση που κοιτά κάθε στήλη χωριστά μπορεί να εγκρίνει ένα dataset το οποίο έχει χάσει την κατανομή της ουσιαστικής σχέσης.
Το Logic Tensor Network πλαίσιο μπορεί να γειώσει έναν κανόνα ως predicate, δηλαδή ως συνάρτηση που βαθμολογεί ένα δείγμα, ή ως function symbol, δηλαδή ως συνάρτηση που κατασκευάζει την ίδια την τιμή. Η FSG προσέγγιση επιλέγει το δεύτερο για δομικούς κανόνες. Για b>a, ο generator δεν παράγει ανεξάρτητα το b. Παράγει μια ελεύθερη συντεταγμένη z και το b συναρμολογείται ως a συν ένα θετικό, ομαλά παραμετροποιημένο increment.
Οι function symbols σχηματίζουν ένα chart, ένα σύστημα συντεταγμένων μέσα στον εφικτό χώρο. Για μονόπλευρα όρια χρησιμοποιείται softplus ή η αντίστροφη μορφή του, για διπλά όρια logistic απεικόνιση και για identities η εξαρτημένη μεταβλητή υπολογίζεται απευθείας. Ο discriminator βλέπει chart coordinates όπου τα margins βρίσκονται σε κλίμακα που μπορεί να μάθει, και η αποκωδικοποίηση επιστρέφει επιτρεπτά δείγματα.
Η τεχνική διαφορά είναι ουσιαστική: το clamping διορθώνει ένα σημείο αφού δημιουργηθεί έξω από τον χώρο, ενώ το chart επιτρέπει την παραγωγή μόνο στο εσωτερικό. Η εργασία αποδεικνύει validity by construction για πεπερασμένα, συνεπή σύνολα γραμμικών ανισοτήτων και εξηγεί γιατί οι definitional identities, που σχηματίζουν σύνολα μηδενικού μέτρου στον ambient χώρο, πρέπει να κατασκευάζονται και όχι απλώς να ενθαρρύνονται με loss.
Κανόνας αξιολόγησης
Μην εγκρίνετε synthetic data μόνο επειδή ο validator επιστρέφει 100%
Ορίστε το επιχειρησιακά σημαντικό margin, μετρήστε το R πριν από το training, συγκρίνετε real και synthetic quantiles και ελέγξτε αν η μέθοδος παράγει μέσα στον εφικτό χώρο ή μετακινεί μαζικά δείγματα πάνω στο boundary.
Οι συγγραφείς δεν υποστηρίζουν ότι κάθε constraint πρέπει να γίνει chart coordinate. Ένα συνεχές softplus increment δεν αναπαριστά καλά ένα margin με διακριτή σημειακή μάζα, όπως έναν ακέραιο αριθμό ή μια μεταβλητή με λίγες τιμές. Για αυτό προτείνουν hybrid procedure: chart για συχνά παραβιαζόμενες συνεχείς μεταβλητές και in-loop clamp για τις υπόλοιπες.
Η απόφαση βασίζεται σε σύντομο pre-run ενός ελεύθερου generator. Το si μετρά το ποσοστό των δειγμάτων που ήδη βρίσκονται στο επιτρεπτό διάστημα, ενώ το di αποτυπώνει τη μεγαλύτερη συχνότητα μίας τιμής στο binding margin. Στο πείραμα, η μεταβλητή γίνεται charted όταν si<0,9 και di≤0,2· αλλιώς εφαρμόζεται clamp. Αυτά είναι thresholds της συγκεκριμένης μεθόδου, όχι καθολικά industry standards.
Στο six-dataset benchmark του constraint layer, η hybrid μέθοδος είχε τρεις νίκες, τρεις στατιστικές ισοπαλίες και καμία ήττα, με 100% validity. Το ablation που έκανε chart κάθε μεταβλητή ήταν χειρότερο από το clamp σε όλα τα datasets εκτός από το high-R faults. Το εύρημα ενισχύει τη βασική αρχή: ο μηχανισμός πρέπει να ταιριάζει στη γεωμετρία και στη διακριτότητα του constraint.
Η κύρια σύγκριση έγινε στα Alchemy, tmQM, Transition1x και Taxi. Το εύρος του R ήταν από 3,6 έως 7×106. Και οι δύο constrained μέθοδοι πέτυχαν ακριβή validity, αλλά μόνο η FSG αναπαρήγαγε κοντά την κατανομή του margin στα high-resolution constraints.
FSG-LTN-GAN έναντι constraint layer
Τέσσερα τεκμηριωμένα σημεία αναφοράς
Οι τιμές είναι αποτελέσματα της συγκεκριμένης εργασίας σε δέκα seeds και δεν αποτελούν εγγύηση για κάθε dataset ή production pipeline.
Πηγή: arXiv 2608.21605, Tables 1 και 5.
Η εργασία εξέτασε επίσης CTGAN και TVAE. Όταν τα unmodified backbones εκπαιδεύτηκαν πάνω στα chart-encoded data και αποκωδικοποιήθηκαν μέσω της ίδιας απεικόνισης, παρέμειναν 100% valid και είχαν margin KS 3,6 έως 8,6 φορές χαμηλότερο από τις αντίστοιχες εκδόσεις με constraint layer. Το TVAE παρουσίασε trade-off σε ambient per-property moment error στα tmQM και Transition1x, παρότι το margin KS παρέμεινε καλύτερο.
Σε προεγγεγραμμένο out-of-sample έλεγχο με nycflights13, οι ερευνητές υπολόγισαν πριν από την εκπαίδευση R=3,0×103. Με δέκα seeds, το C-DGM πέτυχε validity 1,000 και margin KS 1,000, ενώ το FSG-LTN-GAN validity 1,000 και margin KS 0,086±0,011. Ο έλεγχος ενισχύει τη διαγνωστική αξία του R μέσα στα όρια της μελέτης.
Μια ομάδα που αξιολογεί synthetic data μπορεί να μετατρέψει το paper σε ελεγκτική διαδικασία. Πρώτα καταγράφει τους πραγματικούς κανόνες: orderings, positivity και definitional identities. Έπειτα ορίζει για κάθε ανισότητα το margin που έχει επιχειρησιακή ή επιστημονική σημασία και μετρά τόσο τη validity όσο και τη διανομή του margin.
Το επόμενο βήμα είναι ο υπολογισμός του R στα raw data. Ένα υψηλό R αποτελεί σήμα για αυξημένο έλεγχο, όχι αυτόματη απόφαση επιλογής ή απόρριψης μοντέλου. Η ομάδα συγκρίνει πραγματικά και συνθετικά quantiles, ελέγχει τεχνητές μάζες στο boundary και κρατά χωριστά marginal fidelity, coverage, density και downstream utility.
Τέλος, χρειάζεται traceability: ποιος κανόνας εφαρμόστηκε, ποια μεταβλητή έγινε εξαρτημένη, ποια ήταν η σειρά elimination, ποιο ήταν το R και ποιος μηχανισμός επιλέχθηκε. Αυτή η λογική συνδέεται με την αρχιτεκτονική audit trail από κατακερματισμένα δεδομένα και με τα enterprise AI harnesses που ενσωματώνουν τη διακυβέρνηση στην αρχιτεκτονική.
Η validity παραμένει απαραίτητη, επειδή επιβεβαιώνει ότι δεν παράγονται παράνομες εγγραφές. Δεν πρέπει όμως να συγχωνεύεται σε ένα αδιαφανές «quality score» με τη fidelity. Οι δύο ερωτήσεις είναι διαφορετικές: ισχύει ο κανόνας και, χωριστά, διατηρείται η κατανομή της σχέσης που εκφράζει;
Η αξιολόγηση χρειάζεται επίσης downstream tests. Αν τα synthetic data χρησιμοποιούνται για forecasting, segmentation ή anomaly detection, η ομάδα πρέπει να συγκρίνει την απόδοση σε πραγματικό holdout, να παρακολουθεί σφάλματα ανά κρίσιμο segment και να ελέγχει αν ένα boundary pile-up αλλάζει επιχειρησιακές αποφάσεις. Οι analytics πλατφόρμες που μετατρέπουν δεδομένα σε αποφάσεις έχουν αξία μόνο όταν οι μετρικές τους αντιστοιχούν στο πραγματικό use case.
Η προστασία ιδιωτικότητας είναι ξεχωριστή διάσταση. Ένα dataset μπορεί να έχει καλή validity και margin fidelity αλλά να διαρρέει ευαίσθητα patterns ή να μην παρέχει αποδεδειγμένη privacy guarantee. Αντίστροφα, ισχυρή privacy προστασία μπορεί να μειώσει utility. Η αξιολόγηση πρέπει να κρατά αυτά τα trade-offs ορατά, όπως ακριβώς ένας έλεγχος των training data πριν από την εκπαίδευση κρατά χωριστά την ποιότητα, την κάλυψη και τον κίνδυνο.
Η παραγωγική υιοθέτηση δεν απαιτεί τυφλή αντιγραφή του FSG-LTN-GAN. Απαιτεί μια επαναλήψιμη διαδικασία που συνδέει κάθε κανόνα με τη μετρική, τον μηχανισμό και την απόφαση που επηρεάζει.
Επτά έλεγχοι πριν εμπιστευτείτε ένα συνθετικό dataset
Ορίστε orderings, positivity, identities και επιχειρησιακά όρια με σαφείς μεταβλητές, μονάδες και ιδιοκτήτη του κανόνα.
Μετατρέψτε το «ισχύει ή όχι» σε μετρήσιμη απόσταση από το όριο και εξηγήστε τι σημαίνει αυτή η απόσταση για το πραγματικό workflow.
Μετρήστε την κλίμακα των σχετικών features σε σχέση με τη διασπορά του margin πριν από standardization και πριν από το training.
Εξετάστε chart για high-R συνεχείς σχέσεις και clamp για χαμηλού R ή διακριτά margins, χωρίς να μετατρέπετε τα thresholds του paper σε καθολικό κανόνα.
Αναφέρετε constraint validity, margin KS, quantiles και boundary concentration μαζί με per-feature, density και coverage metrics.
Συγκρίνετε forecasting, classification ή analytics σε πραγματικό holdout και ελέγξτε τα segments όπου η παραμόρφωση του margin αλλάζει την απόφαση.
Αποθηκεύστε dataset version, seeds, constraints, R, transformations, thresholds, αποτελέσματα και υπεύθυνο έγκρισης ώστε κάθε synthetic release να είναι αναπαραγώγιμο.
Τα ίδια βήματα ισχύουν είτε το dataset τροφοδοτεί scientific model είτε business analytics. Για domain shift και ελλιπείς παρατηρήσεις, η μελέτη του GT-GAN σε συνθετικά δεδομένα με απώλεια μετρήσεων δείχνει γιατί η αξιολόγηση πρέπει να περιλαμβάνει τη συγκεκριμένη συνθήκη στην οποία θα χρησιμοποιηθεί το μοντέλο.
Το chart της εργασίας καλύπτει το γραμμικό fragment, όπου το Fourier–Motzkin reduction δίνει επιτρεπτά διαστήματα. Μη κυρτοί εφικτοί χώροι από μη γραμμικούς ή διαζευκτικούς constraints μένουν για μελλοντική έρευνα. Τα διακριτά margins αντιμετωπίζονται με hybrid clamp και όχι με την ίδια συνεχή απεικόνιση.
Τα πειράματα επικεντρώνονται σε συγκεκριμένα tabular και scientific datasets και σε συγκεκριμένες οικογένειες generators. Δεν αποδεικνύουν ότι κάθε εμπορικό synthetic-data προϊόν έχει το ίδιο failure mode ούτε ότι το FSG είναι έτοιμη αντικατάσταση για κάθε production stack. Αποδεικνύουν όμως ότι η εγκυρότητα μπορεί να αποκρύψει απώλεια της margin distribution και ότι αυτή η απώλεια μετριέται.
Το NIST AI RMF αντιμετωπίζει την αξιολόγηση ως συνεχή διαδικασία governance, mapping, measurement και management. Σε synthetic-data pipeline αυτό σημαίνει ότι το technical benchmark πρέπει να συνδέεται με risk owners, τεκμηριωμένες αποδοχές κινδύνου και παρακολούθηση μετά την ανάπτυξη.
Η μεγαλύτερη αξία του FSG-LTN-GAN είναι ότι αλλάζει την ερώτηση. Αντί να ρωτά μόνο αν κάθε δείγμα βρίσκεται στη σωστή πλευρά μιας γραμμής, ρωτά αν το μοντέλο έμαθε πώς κατανέμεται η απόσταση από αυτή τη γραμμή. Το chart κάνει τη μικρή διαφορά ορατή στο μοντέλο και παράγει μέσα στον εφικτό χώρο, ενώ το R δίνει προειδοποίηση πριν καταναλωθεί το training budget.
Για e-commerce, marketing και business teams που χρησιμοποιούν synthetic datasets, η πιο χρήσιμη απαίτηση είναι relation-level validation. Ποια κρίσιμη διαφορά ή ταυτότητα διατηρείται; Με ποια μετρική; Υπάρχει συσσώρευση στο boundary; Πώς επηρεάζεται το πραγματικό downstream task; Οι απαντήσεις ξεχωρίζουν ένα dataset που απλώς περνά κανόνες από ένα dataset που διατηρεί τη δομή της πραγματικότητας που επιχειρεί να προσομοιώσει.
Από το synthetic-data experiment σε ελεγχόμενη επιχειρησιακή ροή
Σχεδιάστε AI αυτοματισμούς με μετρήσιμη ποιότητα δεδομένων και audit trail
Η TWO DOTS χαρτογραφεί constraints, data quality checks, downstream acceptance criteria, human approvals και rollback ώστε τα συνθετικά δεδομένα να υποστηρίζουν πραγματικές αποφάσεις χωρίς να κρύβουν τη διαφορά ανάμεσα σε validity και fidelity.
Συχνές ερωτήσεις
Είναι κανόνας που πρέπει να ισχύει σε κάθε παραγόμενο δείγμα, όπως μια διάταξη τιμών, η θετικότητα ή μια ακριβής ταυτότητα. Σε αντίθεση με μια soft ποινή, ο μηχανισμός δεν επιτρέπει μη έγκυρο αποτέλεσμα.
Επειδή πολλές μη έγκυρες τιμές μπορεί να έχουν διορθωθεί ακριβώς πάνω στο όριο. Τότε όλοι οι κανόνες ισχύουν, αλλά η κατανομή της απόστασης από το όριο μπορεί να διαφέρει ριζικά από την πραγματική.
Μετρά πόσο ικανοποιείται μια ανισότητα. Όταν το b είναι μεγαλύτερο από το a, είναι η διαφορά b−a. Η κατανομή του margin αποκαλύπτει αν το μοντέλο αναπαράγει τη σχέση και όχι μόνο το πρόσημό της.
Είναι ο λόγος της κλίμακας των χαρακτηριστικών προς τη διασπορά του margin στα raw data. Υψηλό R σημαίνει ότι το margin είναι μικρό σε σχέση με τις τιμές που το σχηματίζουν και δύσκολο να διακριθεί στην ambient αναπαράσταση.
Το clamping διορθώνει μια παραγόμενη τιμή ώστε να μπει στο επιτρεπτό διάστημα. Το function-symbol grounding υπολογίζει την εξαρτημένη τιμή από ελεύθερες συντεταγμένες, ώστε να δημιουργείται εξαρχής μέσα στον εφικτό χώρο.
Η μελέτη αξιολόγησε το FSG-LTN-GAN και μετέφερε την chart αναπαράσταση σε CTGAN και TVAE χωρίς αλλαγή των backbones. Αυτό δεν αποτελεί απόδειξη για κάθε generative architecture ή dataset.
Στο paper χρησιμοποιείται chart για συνεχείς μεταβλητές που ο ελεύθερος generator παραβιάζει συχνά και clamp για χαμηλού R ή διακριτές περιπτώσεις. Τα thresholds της μελέτης χρειάζονται δική τους επικύρωση πριν χρησιμοποιηθούν αλλού.
Να μετρά validity, margin distributions, boundary concentration, per-feature quality και downstream utility χωριστά. Επίσης να τεκμηριώνει κάθε constraint, το R του, τον μηχανισμό εφαρμογής και την έκδοση του dataset.
Πηγές
